Temas Selectos de Sistemas de Información

Curso optativo para Actuaría que aborda la toma de decisiones mediante herramientas de Investigación de Operaciones (programación lineal y método símplex) y el estudio de redes neuronales profundas y sus aplicaciones en problemas de interés actual.

Instructor: Luis Zuñiga

Term: Primavera

Descripción del Curso

Este curso optativo aborda dos grandes áreas de los sistemas de información: la Investigación de Operaciones y las Redes Neuronales Profundas. Los estudiantes aprenderán a:

  • Modelar y resolver problemas de toma de decisiones mediante programación lineal
  • Aplicar el método símplex y sus variantes para la optimización lineal
  • Comprender los fundamentos matemáticos de las redes neuronales profundas
  • Implementar y entrenar distintas arquitecturas de redes neuronales
  • Explorar modelos generativos modernos y sus aplicaciones

Conocimientos Esenciales

  • Álgebra lineal
  • Cálculo de varias variables
  • Programación estructurada (Python)

Bibliografía

  • Bazaraa, Mokhtar S. Programación lineal y flujo en redes. Limusa, 1998.
  • Courville, A., Bengio, Y., & Goodfellow, I. (2016). Deep Learning. MIT Press.
  • Foster, David. Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play. O’Reilly, 2019.
  • Gass, Saul I. Linear Programming: Methods and Applications. McGraw-Hill, 1975.
  • Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O’Reilly Media.
  • Hillier, Frederick S. Investigación de operaciones. McGraw-Hill, 2010.
  • Papadimitriou, Christos H., and Kenneth Steiglitz. Combinatorial Optimization: Algorithms and Complexity. Dover Publications, 1998.

Evaluación

  • Tareas: 50%
  • Prácticas de cómputo: 25%
  • Proyecto Final (Redes Neuronales): 25%

Schedule

Week Date Topic Materials
1 13 Ene Introducción al Curso

Bienvenida al curso. Presentación del temario, metodología y criterios de evaluación.
2 15 - 20 Ene Introducción a la Investigación de Operaciones

Introducción a la investigación de operaciones. Problema prototípico. Solución gráfica del problema prototípico. Notación, terminología y supuestos. Tarea 1.
3 22 Ene Método Símplex - Fundamentos

Esencia del método símplex. Preparación para el método símplex. Álgebra del método símplex.
4 27 - 29 Ene Método Símplex - Forma Tabular y Variantes

Método símplex en forma tabular. Ejercicios. Tarea 2. Rompimiento de empates. Adaptación a otras formas del modelo. Método de la gran M.
5 3 - 5 Feb Método Símplex - Casos Especiales

Método de las dos fases. Sin soluciones factibles (Práctica de Cómputo). Ejercicios. Tarea 3.
6 10 - 12 Feb Método Símplex - Software y Cierre

Ejercicios de repaso. Tarea 3 (cierre). Software para resolver problemas de programación lineal. Tarea 4.
7 17 - 19 Feb Teoría del Método Símplex y Día de Tareas

Problemas de optimización. Vecindades. Óptimos locales y globales. Conjuntos convexos y funciones. Problemas de optimización convexos. Tarea 5. Día de Tareas (19/02).
8 24 - 26 Feb Redes Neuronales - Introducción

Introducción al aprendizaje automático. Algoritmo del Perceptrón. Práctica 1 - Perceptrón en Python (laboratorio de cómputo).
9 3 - 5 Mar Redes Neuronales Profundas

Historia de las Redes Neuronales. Neurona de McCulloch-Pitts. Perceptrón Multicapa. Idea de backpropagation.
10 10 - 12 Mar Implementación de Redes Neuronales e Introducción a CNN

Práctica 2 - Implementación de Redes Neuronales con Keras (laboratorio de cómputo). Idea de las redes neuronales convolucionales. Convolución. Entrenamiento y función de costo.
11 17 - 19 Mar Redes Neuronales Convolucionales - Práctica

Práctica 3 - Implementación de Redes Neuronales Convolucionales. Algunos modelos actuales de CNN. Práctica 4 - Entrenamiento de arquitecturas de RNC en Keras.
12 24 - 26 Mar Redes Neuronales Recurrentes

Idea de las redes neuronales recurrentes. Entrenamiento y función de costo. Backpropagation a través del tiempo. Práctica 5 - RNR para series de tiempo. Modelos actuales. LSTM. Práctica 6 - LSTM.
13 7 - 9 Abr Generative Deep Learning - Autoencoders

Introducción al modelado generativo. Encoders y decoders. Autoencoders. Práctica 7 - Encoders y Autoencoders (práctica de cómputo).
14 14 - 16 Abr Generative Adversarial Networks

Introducción a las Generative Adversarial Networks. Deep Convolutional GAN. Wasserstein GAN con penalización de gradiente. GAN condicional. Práctica 8 - GAN.
15 21 - 23 Abr Transformers y Concurso

Introducción al Transformer. Práctica 9 - Intro al Transformer. Concurso (23/04).
16 28 Abr - 7 May Asesorías para el Proyecto Final

Sesiones de asesoría para el desarrollo del proyecto final de redes neuronales.
17 12 - 15 May Cierre del Curso

Entrega de proyecto y entregables (12/05). Entrega y ajuste de calificaciones (14/05). Fin de curso (15/05).